基于改进YOLO v4的落叶松毛虫侵害树木实时检测方法

摘要

针对two⁃stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进YOLO v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75~100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于YOLO v4模型的Neck架构,重新设计Backbone的特征提取网络———CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过YOLO Head检测输出预测结果。将YOLO v4 CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明:改进的YOLO v4 CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于YOLO v4的平均正确率提高3.4个百分点,模型精度接近目前主流two⁃stage框架Faster R CNN的98.75%;将改进的YOLO v4 CSP网络模型搭载至Jetson nano边缘计算设备,检测速度达到4.17 f/s,高于YOLO v4模型的1.72 f/s。基于YOLO v4 CSP的检测模型可实现对受灾树木检测速度与精度的平衡,降低模型的应用成本,搭载至无人机可实现对森林虫害的实时监测。